重磅！目前最強效能的人臉檢測演算法（Wider Face Dataset）

人臉檢測作為計算機視覺中的一個長期存在的問題，由於其實際應用，近幾十年來一直受到人們的關注。

隨著人臉檢測基準資料集的廣泛應用，近年來各種演算法都取得了很大的進展。其中，Selective Refinement Network（SRN）人臉檢測器有選擇地將分類和迴歸操作引入到anchor-based的人臉檢測器中，以減少假陽性同時提高定位精度。此外，它還設計了一個感受野增強塊，以提供更多樣化的感受野。

為了進一步提高SRN的效能，透過大量的實驗，開發了現有的一些技術，包括新的資料增強策略、改進的backbone network、MS COCO預訓練、解耦分類模組（decoupled classification module）、分割分支和壓縮激勵塊（Squeeze-and-Excitation block）。

其中，一些技術帶來了效能改進，因此，將這些有用的技術結合在一起，提出了一種改進的SRN人臉檢測器，並在廣泛使用的人臉檢測基準的人臉資料集上獲得了最佳的效能。

人臉檢測其實比較簡單，就是將影像輸入演算法框架中，最終返回輸入影像中目標人臉的bounding box。

圖1 SRN。它包括選擇性兩步分類(STC)、選擇性兩步迴歸(STR)和感受野增強(RFE)。

對於單級檢測器，大量的正負樣本比的anchor（例如，大約有300k個anchor，SRN中的正/負比約為0.006%）導致了相當多的假陽性。因此，它需要另一個階段，如RPN過濾掉一些負樣本。選擇性兩步分類是從RefineDet繼承而來的，有效地拒絕了大量的負樣本anchor，緩解了類不平衡問題。

STC作用於淺層Feature Map上，來過濾掉大部分比驕傲容易區分的負樣本，來減少搜尋空間。

當前網路通常都具有square感受野，這影響了對不同高寬比目標的檢測。為了解決這個問題，SRN設計了一個感受野增強（RFE），在預測類和位置之前，將特徵的感受野多樣化，這有助於在某些極端姿勢中很好地捕捉到人臉。